Datawetenschappelijke oplossingen om de pensioencommunicatie te verbeteren
Op het gebied van pensioenen en verzekeringen is communicatie essentieel. Het doel van het voorgestelde project is gebruik te maken van de kracht van state-of-the-art datawetenschappelijke methoden om twee communicatiemodaliteiten te bestuderen en te verbeteren: de tekstuele modaliteit (bijv. e-mailberichten tussen klanten en pensioenaanbieders) en de visuele modaliteit (bijv. het volgen van oogbewegingen van klanten die informatie lezen op de websites van pensioenaanbieders). Tekstanalyse richt zich op de informatiebronnen (bijv. webpagina’s over pensioenen); oogbewegingsanalyse richt zich op de ontvangers van de informatie (bijv. klanten die de webpagina’s lezen). Recente innovaties op het gebied van datawetenschappelijke methoden, met name ‘deep learning’, en andere algoritmen voor ‘machine learning’ leiden tot ongekende prestaties bij tekstuele analysetaken, zoals zeer nauwkeurige herkenning van gemoedstoestanden (bijv. de automatische herkenning van een bericht van een tevreden klant of een ontevreden klant) en betrouwbare automatische inhoudsclassificatie (bijv. het bericht bevat een vraag over een specifieke pensioenoptie). Dezelfde innovaties in de datawetenschap leiden tot vooruitgang in het met video volgen van oogbewegingen om op betrouwbare wijze de blikrichting uit webcambeelden te schatten.
In het voorgestelde project worden de voordelen onderzocht van het gebruik van machine learning voor de twee modaliteiten afzonderlijk en in combinatie met elkaar, in een poging om de communicatie op het gebied van pensioenen en verzekeringen te verbeteren. De deliverables van het project zijn wetenschappelijke artikelen, rapporten over de behaalde resultaten en software tools voor het uitvoeren van de te verrichten taken. De resultaten van het project komen ten goede aan pensioenfondsen en verzekeringsmaatschappijen bij het verbeteren van de efficiëntie van de communicatie met hun klanten. Daarnaast dragen we door dit onderzoek met behulp van real-life data, casussen en datawetenschappelijke technieken bij aan de wetenschappelijke literatuur over machine learning (bijv. praktische toepassingen van machine learning en deep learning) en de wetenschappelijke pensioenliteratuur. Verder zullen onze bevindingen licht werpen op de bruikbaarheid op het gebied van / en wat voor soort verbeteringen moeten worden aangebracht in de ‘machine learning’-algoritmen en datawetenschappelijke technieken.
Bekijk hier alle publicaties die uit dit project zijn voortgekomen
